Maskininlärningspionjärer vinner Nobelpris i fysik

Maskininlärningspionjärer vinner Nobelpris i fysik

Två forskare som ... Maskininlärningsmetoder har utvecklat idag BOOM i konstgjord intelligens (AI) Underliggande tilldelades Nobelpriset i fysik 2024.

John Hopfield från Princeton University i New Jersey och Geoffrey Hinton från University of Toronto, Kanada, delar det 11 miljoner svenska kroner (1 miljon) pris, som tillkännagavs 8 oktober av Royal Swedish Academy of Sciences i Stockholm.

Båda använde fysiska verktyg för att utveckla metoder som konstgjorda neurala nätverk som använder hjärninspirerade, skiktade strukturer för att lära sig abstrakta begrepp. Deras upptäckter "utgör byggstenarna för maskininlärning som kan hjälpa människor att fatta snabbare och säkrare beslut", säger Ellen Moons, ordförande för Nobelkommittén och en fysiker vid Karlstad University, Sverige, under tillkännagivandet. "Konstgjorda neurala nätverk har använts för att främja forskning inom olika fysikämnen, från partikelfysik till materialvetenskap till astrofysik."

1982 utvecklade Hopfield, en teoretisk biolog med bakgrund i fysik, ett nätverk som beskrev sambanden mellan noder som fysiska krafter 1. Genom att lagra mönster som ett lågeffekttillstånd i nätverket kan systemet återställa bilden när det konfronteras med ett liknande mönster. Det blev känt som associerande minne eftersom det liknar hjärnan och försökte komma ihåg ett sällan använda ord eller koncept.

Hinton, en datavetare, använde senare principer från statistisk fysik som används för att kollektivt beskriva system som består av för många enskilda delar för att vidareutveckla "Hopfield -nätverk." Genom att integrera sannolikheter i en skiktad version av nätverket skapade han ett verktyg som kan känna igen och klassificera bilder eller generera nya exempel på den typ den tränades på 2.

Dessa processer skilde sig från tidigare beräkningar eftersom nätverken kunde lära sig av exempel, inklusive ostrukturerade data, vilket är utmanande för traditionell programvara baserad på steg-för-steg-beräkningar.

Nätverken är "generöst idealiserade modeller som skiljer sig från verkliga biologiska neurala nätverk som äpplen är från planeter," skrev Hinton 2000 i naturen. Men de har visat sig vara användbara och har utvecklats allmänt. Neurala nätverk som efterliknar mänskligt lärande utgör grunden för många avancerade AI -verktyg, från stora språkmodeller (LLM) till maskininlärningsalgoritmer som kan analysera stora mängder data, inklusive Proteinstruktur förutsägelsemodell alphaftold.

I en telefonsamtal som tillkännagav sa Hinton att det var "en bult från det blå" när han fick veta om sitt Nobelpris. "Jag är förvånad, jag hade ingen aning om att detta skulle hända," sade han. Han tillade att framstegen inom maskininlärning "kommer att ha en enorm inverkan; det kommer att vara jämförbart med den industriella revolutionen. Men istället för att överträffa människor i fysisk styrka kommer det att överträffa människor i intellektuell förmåga."

1. Hopfield, J.J., Proc. Natl. Acad. Sci. USA 79, 2554 (1982).

   Artikel
   Pub
   Google Scholar

2. Fahlman, S.E., Hinton, G.E. och Sejnowski, T.J. Proceedings of AAAI-83 Conference, s. 109-113 (1983).

   Google Scholar

Ladda ner referenser